MTL框架：模型、权重与融合公式

---

一矢多穿：多目标排序在爱奇艺短视频推荐中的应用

多任务多目标 CTR 预估技术

多任务学习的两个主要研究方向：

1. 网络结构的构造；
2. 多目标优化的方法；

模型设计

AI上推荐之MMOE

1. 任务依赖关系

• 任务序列依赖关系建模：适合于不同任务之间有一定的序列依赖关系。

比如电商场景里面的ctr和cvr，其中cvr这个行为只有在ctr之后才会发生。这种依赖关系如果能加以利用，可以解决任务预估中的样本选择偏差(SSB)和数据稀疏性(DS)问题。
- 样本选择偏差: 后一阶段的模型基于上一阶段采样后的样本子集训练，但最终在全样本空间进行推理，带来严重泛化性问题
- 样本稀疏： 后一阶段的模型训练样本远小于前一阶段任务

---

1. ESMM
多任务学习模型之ESMM介绍与实现

CVR预估面临两个关键问题：

1. Sample Selection Bias (SSB)
   训练数据为点击数据，但需要预测曝光数据，即训练数据和预测数据分布不一致，带来严重泛化性问题。
   

2. Data Sparsity (DS)
   CVR预估任务训练使用的点击样本远小于CTR预估训练使用的曝光样本

x,y,z分别表示曝光，点击，转换，则

$$\underset{pCTCVR}{\underbrace{p(y=1,z=1\mid x)}}=\underset{pCTR}{\underbrace{p(y=1\mid x)}}\times \underset{pCVR}{\underbrace{p(z=1\mid y=1,x)}}$$

注意到，在全部样本空间中，CTR对应的label为click，而CTCVR对应的label为click & conversion，这两个任务是可以使用全部样本的。因此，ESMM通过学习CTR，CTCVR两个任务，再根据上式隐式地学习CVR任务。具体结构如下：

• 共享Embedding。 CVR-task和CTR-task使用相同的特征和特征embedding，即两者从Concatenate之后才学习各自独享的参数；
• 隐式学习pCVR。pCVR 仅是网络中的一个variable，没有显示的监督信号，反映在目标函数中：
  $$L\left({\theta }_{cvr},{\theta }_{ctr}\right)=\sum _{i=1}^{N}l\left(y_i,f\left({\mathbf{x}}_i;{\theta }_{ctr}\right)\right)+\sum _{i=1}^{N}l\left(y_i\&z_i,f\left({\mathbf{x}}_i;{\theta }_{ctr}\right)\ast f\left({\mathbf{x}}_i;{\theta }_{cvr}\right)\right)$$

---

2. DBMTL
多任务学习模型之DBMTL介绍与实现

常见的多目标优化模型是从每个优化目标单独的模型网络出发，通过让这些网络在底层共享参数，实现各目标相关模型的适当程度的独立性和相关性。不论底层如何共享参数，此类网络的概率模型可以用下述公式描述：
$$P(l,m\mid x,H)=P(l\mid x,H)\cdot P(m\mid x,H)$$其中l,m 为目标，x为样本特征，H为模型。这里做了各目标独立的假设。

利用贝叶斯公式，以上模型可以改为$$P(l,m\mid x,H)=P(l\mid m,x,H)\cdot P(m\mid x,H)$$

---

2. 底层表示共享

• Shared Bottom->MMoE：MMoE将shared bottom分解成多个Expert，然后通过门控网络自动控制不同任务对这些Expert的梯度贡献。
  Shared Bottom最大的优势是Task越多， 任务之间过拟合的风险越小。 但是劣势也非常明显，就是底层强制的shared layers难以学习到适用于所有任务的有效表达， 尤其是任务之间存在冲突或者两个任务相关性没那么好(比如排序中的点击率与互动，点击与停留时长)。

• MMoE->PLE：PLE在MMoE的基础上又为每个任务增加了自有的Expert，仅由本任务对其梯度更新。
  MMoE做了一个聪明的事情，“化整为零”，把一个共享参数矩阵化成多个结合gate的共享Expert。不同的loss在存在相互冲突时，在不同的expert上，不同loss可以有相对强弱的表达，那么出现相互抵消的情况就可能减少，从而达到“各有所得”的状态，即部分experts受某task影响较大，部分experts受其他task主导。但是MMoE并不保证“各有所得”，PLE增加了specific experts，保障“各有所得”，能够在“共享参数”的撕扯争夺上，有了最基础的保障。

Loss设计

1. loss如何选择？

• 观看时长：weighted logistic regression
• ctr/pr：cross entropy

对于回归目标，采用正逆序对比（PNR，positive-negative-ration）来评估多目标预估值融合后的排序效果。

2. 权重如何调整？

• Magnitude（Loss量级）：Loss值有大有小，出现取值大的Loss主导的现象，怎么办？
• Velocity （Loss学习速度）： 任务有难有易，Loss学习速度有快有慢，怎么办？
• Direction（Loss梯度冲突）：多个Loss的反向梯度，更新方向冲突，出现翘翘板、负迁移现象，怎么办？

---

2.1 Magnitude

深度学习多目标优化的多个loss应该如何权衡

AI上推荐 之 多任务loss优化(自适应权重篇)

Uncertainty weight(2018)

Multi-Task Learning Using Uncertainty to Weigh Losses for Scene Geometry and Semantics

多任务学习中损失函数权重的自动调整

自动学习任务的uncertainty，给uncertainty大的任务小weight

• 偶然不确定性：数据本身的误差，可分为同方差(数据依赖)和异方差(任务依赖)
• 认知不确定性：模型的误差，衡量input data是否存在已有的数据中

利用同方差自动计算任务权重($1/2{\sigma }^2$)

---

2. 2 Velocity

Gradnorm(2018)

GradNorm: Gradient Normalization for Adaptive Loss Balancing in Deep Multitask Networks

作者认为，任务不平衡会阻碍模型的训练，而这种阻碍其实体现在了反向传播时参数的梯度不平衡。所以通过动态调整loss权重，让参数的梯度保持平衡。

定义了一个gradient loss，用来衡量每个任务的loss权重，即实际权重和理想权重的差距

$${\mathrm{L}}_{\mathrm{grad}}\left(\mathrm{t};{\mathrm{w}}_{\mathrm{i}}(\mathrm{t})\right)=\sum _{\mathrm{i}}{\left|{\mathrm{G}}_{\mathrm{W}}^{(\mathrm{i})}(\mathrm{t})-{\overline{\mathrm{G}}}_{\mathrm{W}}(\mathrm{t})\times {\left[{\mathrm{r}}_{\mathrm{i}}(\mathrm{t})\right]}^{\alpha }\right|}_1$$

• W : 一般选shared layer的最后一层参数，能节省计算量
• ${\mathrm{G}}_{\mathrm{W}}^{(\mathrm{i})}(\mathrm{t})={\Vert {\nabla }_{\mathrm{W}}{\mathrm{w}}_{\mathrm{i}}(\mathrm{t}){\mathrm{L}}_{\mathrm{i}}(\mathrm{t})\Vert }_2$ ：每个单任务 ${\mathrm{w}}_{\mathrm{i}}(\mathrm{t}){\mathrm{L}}_{\mathrm{i}}(\mathrm{t})$ 对于参数 $\mathrm{W}$ 的梯度的L2范数，表示t次训练每个任务对于W传回的梯度大小。这个梯度越大，说明了任务主导性就越强，应该减小${\mathrm{w}}_{\mathrm{i}}$ 。
• ${\overline{\mathrm{G}}}_{\mathrm{W}}(\mathrm{t})={\mathrm{E}}_{\mathrm{task}}\left[{\mathrm{G}}_{\mathrm{W}}^{(\mathrm{i})}(\mathrm{t})\right]$ ：各个任务传回的参数梯度范数的平均值，从而得到每个任务对参数梯度的相对大小。
• ${\tilde{\mathrm{L}}}_{\mathrm{i}}(\mathrm{t})={\mathrm{L}}_{\mathrm{i}}(\mathrm{t})/{\mathrm{L}}_{\mathrm{i}}(0)$ ： 一定程度上衡量了 $\mathrm{i}$ 任务的训练速度。
• ${\mathrm{r}}_{\mathrm{i}}(\mathrm{t})={\tilde{\mathrm{L}}}_{\mathrm{i}}(\mathrm{t})/{\mathrm{E}}_{\mathrm{task}}\left[{\tilde{\mathrm{L}}}_{\mathrm{i}}(\mathrm{t})\right]$ : 相对训练速度，即 ${\mathrm{r}}_{\mathrm{i}}(\mathrm{t})$ 越大，说明 ${\mathrm{L}}_{\mathrm{i}}(\mathrm{t})$ 越大，说明loss下降的幅度小，这个任务训练的慢。

在每次优化中，$L_{task}$和$L_{grad}$交替训练。

DWA(2019)

End-to-End Multi-Task Learning with Attention

定义loss下降速度，计算对应权重，GradNorm的简化版
$$r_i(t-1)=\frac{{\mathcal{L}}_i(t-1)}{{\mathcal{L}}_i(t-2)}$$
$$w_i(t)=\frac{\exp \left(r_i(t-1)/T\right)}{{\sum }_n\exp \left(r_i(t-1)/T\right)}$$

---

2.3 Direction

PE-LTR

A Pareto-Efficient Algorithm for Multiple Objective Optimization in E-Commerce Recommendation

推荐系统里的多目标调参-pareto efficient

用户级别的Pareto优化

$min{\Vert {\sum }_{i=1}^K{\omega }_i{\nabla }_{\theta }{L}_i(\theta )\Vert }_2^2$ s.t. ${\sum }_{i=1}^K{\omega }_i=1,{\omega }_1,\cdots ,{\omega }_K\ge 0$

目标融合

关于推荐系统多目标融合排序的进一步思考
多目标排序在快手短视频推荐中的实践
一矢多穿：多目标排序在爱奇艺短视频推荐中的应用

1. 公式如何设计？

推荐系统多目标优化专题(2)—融合公式设计思路

---

1.线性加法
$$\mathrm{a}\ast \mathrm{pEvtr}+\mathrm{b}\ast \mathrm{pLtr}+\dots +\mathrm{g}\ast \mathrm{f}(\mathrm{pWatch}\text{ Time })$$
目标权重就代表了在融合公式中的重要度，哪个目标应该更重要 (或者想涨哪个指标) 调大，但这个系数对于所有用户都是一样的比例

---

2.指数乘法
$$\text{ score }=p_{VTR}{}^{w_{VTR}}\times p_{VCR}{}^{w_{VCR}}\times p_{SHR}{}^{w_{SHR}}\times \cdots \times p_{CMR}{}^{w_{CMR}}\times f(\text{ video\_len})$$

融合公式对于不同用户是有一定个性化的

指数3是预估值越大，单目标在融合公式的影响力也越强；（比如弹幕/点赞这种稀疏目标，预估值高的权重大一些；对于那些喜欢发弹幕的用户，不妨让他们的弹幕目标影响力大一些）

指数0.3则是预估值越大，单目标在融合公式的影响力进行抑制（通俗来讲，即有没有很重要，多还是超级多不关心）

---

3.带权指数加法
$$\text{ score }=\sum _{i=1}^n\text{ factor }{\left({\alpha }_i+{\text{ score }}_i\right)}^{{\beta }_i}$$

• factor(组合权重)：调节单目标整体的影响力
• beta(提升比例)：基于预估分数调节单目标影响力，即融合公式有一定用户个性化
• alpha(灵敏度)：起到一定兜底作用，同时保证factor只调大单一目标权重，而不是作用于融合公式整体

缺点：加法形式特别容易被最大的目标主导，而稀疏目标一般都有比较大的factor

---

4. 带权指数乘法

$$\text{ score }=\prod _{i=1}^n\text{ factor }{\left({\alpha }_i+{\text{ score }}_i\right)}^{{\beta }_i}$$

---

2. 如何在线优化？

多目标搜参，首先初始化参数；通过融合公式得到每个视频最终的排序分，并计算各子目标的AUC；根据指标的重要性对分类的AUC、回归的PNR等确定权重，定义总的优化目标：
$$\text{max}\text{ Obj }=\sum _i{w}_i\ast AUC(t_i)+\sum _j{w}_j\ast PNR(r_j)$$
通过持续迭代，使得总评估目标Obj最大，即得到各子目标的超参数α、β。

---

1. PSO(粒子群)算法

---

2. ES(进化)策略

---